Microdegree AI @home

In Machine Learning leggen we de nadruk op het conceptueel begrijpen van hoe bepaalde algoritmes werken. Belangrijk is om de juiste machine learning algoritmes te kunnen kiezen, trainen, correct evalueren en de prestaties ervan te verbeteren via hyperparameter tuning. We bekijken de meest courante machine learning technieken waarmee je in de praktijk onmiddellijk aan de slag kunt:

Supervised learning waarbij je leert uit gelabelde data:

• Lineaire (meervoudige) regressie waarmee je continue outputs kunt voorspellen. Voorbeelden zijn het voorspellen van beurskoersen, het schatten van de leeftijd van een persoon op basis van een foto van het gezicht, risico’s voorspellen, predicties doen van verkoopsaantallen, etc.
• Classificatie laat je toe om data in categorieën onder te verdelen. Gezichtsherkenning, handschriftherkenning, kankerdetectie, voorspellen of iemand op een advertentie of link zal klikken zijn maar enkele voorbeelden. Topics en algoritmes die aan bod komen zijn logistic regression, Support Vector Machines, Naive Bayes, Random Forest Trees en Ensemble learning.

Unsupervised learning waarbij je informatie haalt uit niet gelabelde data.

• Clustering technieken waarbij je op zoek gaat naar gelijksoortige data. Op deze manier kan je patronen, verbanden en gelijkenissen ontdekken in complexe multi-dimensionele data.
• Dimensionality reduction laat ons toe om data te transformeren naar de essentie. Zo kan data compacter voorgesteld worden of kan de performantie van machine learning voorspellingstechnieken verhoogd worden.

Neurale netwerken

• Geïnspireerd op de werking van de hersenen laten ons toe om inzichten uit data te halen die tot voor kort niet mogelijk maken. In de module machine learning bekijken we de conceptuele werking ervan en bouwen we neurale netwerken voor regressie en classificatie. Daarmee wordt de basis gelegd voor de module deep learning die hier verder op bouwt.

Vandaag de dag al zijn data scientists en AI experts bij de meest gegeerde profielen op de arbeidsmarkt. De meest succesvolle bedrijven ter wereld zijn dikwijls degene die ook koploper zijn op het vlak van data science en artificiële intelligentie. Denk maar aan Google en Facebook die gebruikersprofielen analyseren en advertenties op maat aanbieden, Tesla die aan de hand van sensordata hun wagens zelfrijdend maakt, luchtvaarmaatschappijen die optimale vliegroutes uitstippelen, banken die beurskoersen voorspellen, risico’s inschatten of fraude detecteren.

In deze module leer je de concepten van een aantal machine learning algoritmes en vooral hoe je ze praktisch kunt toepassen om ML problemen op te lossen.

Tevens wordt de basis gelegd voor de module Deep Learning die hierop aansluit.

De module deep learning gaat verder waar de module Machine Learning is gestopt, namelijk bij de neurale netwerken.

• Herhaling neurale netwerken en introductie tot deep learing.
• Convolutional Neural Networks (CNN) die vooral gebruikt worden bij image recogntion.
• Auto encoders en restricted Bolzmann machines: kunnen verloren of beschadigde data reconstrueren maar ook gebruikt worden om muziek te genereren of suggesties te doen.
• Generative Adversarial Networks (GAN). Worden gebruikt voor bijvoorbeeld generatatie van afbeeldingen, voorspellen van welk geneesmiddel zal werken bij bepaalde symptomen …
• Recommendation systems voor het genereren van gepersonaliseerde aanbevelingen.
• Neurale netwerken met geheugen: Recursive Neural Networks (RNN) en Long Short-term memory networks (LSTM): toepassingen zijn bijvoorbeeld natural language processing en sentiment analysis.
• Reinforcement learning: het algoritme leert door interactie met de omgeving.